图像生成

JuZhou 1.0 Technical Report: The First Edge-Native Text-to-Image Foundation Model Trained Entirely on China-Developed AI Accelerators

JuZhou 1.0 技术报告：首个完全在中国开发的AI加速器上训练的边缘原生文本到图像基础模型

Ce Chen, Congrui Wang, Yonglin Li, Zhenchen Wan, Mingyang Geng, Junhao Xiao, Zhengpeng Xing, Yaqing Hu, Yao Wu, Zhaoyang Qu, Long Lan, Xinwang Liu, Yingqi Peng, Shijia Li, Zufeng Zhang, Chen Ma, Jingjing Zhou, Xingyu Wang, Qilin Lu, Bin Jiang, Qilin Sun, Shanzhi Gu, Yaoguang Jin, Tongliang Liu, Kede Ma, Yifan Peng

专题命中 扩散模型 ：text-to-image(title,abstract)；image generation(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 提出JuZhou 1.0，一个超轻量级文本到图像基础模型，通过紧凑骨干网络、Rectified Flow训练、DMD2蒸馏和中文语义对齐，实现完全离线设备端运行，性能优于SDXL等模型。

ContrastiveCFG: Guiding Diffusion Sampling by Contrasting Positive and Negative Concepts

对比CFG：通过对比正负概念引导扩散采样

Jinho Chang, Changsun Lee, Hyungjin Chung, Jong Chul Ye

机构 * EverEx 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 研究在条件扩散模型采样中，针对简单否定CFG引导存在的问题，提出用对比损失实现对给定条件引导的新方法，能在多样场景下有效注入或去除给定概念并保持样本质量。

Comments 20 pages, 11 figures. Poster in ICML 2026

Structured drift design for denoising diffusion models

去噪扩散模型的结构化漂移设计

Mahsa Taheri

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出几何感知Ornstein-Uhlenbeck过程，通过方差感知各向异性漂移嵌入数据几何结构，改善扩散模型对多模态、高相关分布的模式分离和相关性保持。

An effective energy-enstrophy diffusion process with a condensation bound

具有凝聚界的有效能量-涡量扩散过程

Alain-Sol Sznitman, Klaus Widmayer

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 该研究利用\(\mathbb{R}^N\)上高斯测度定义椭圆扩散系数，建立其平稳分布的存在唯一性，推导出凝聚界，还证明此扩散是特定演化过程定律的无粘极限，为相关研究提供了新方法和结论。

Comments 29 pages, 2 figures, typos corrected, redactional improvement of abstract and introduction

An inviscid limit to an effective energy-enstrophy diffusion process

有效能量-涡量扩散过程的无粘极限

Alain-Sol Sznitman, Klaus Widmayer

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究具有布朗强迫和随机搅拌的稳态N维Galerkin-Navier-Stokes型演化，证明二维开放锥中稳态扩散是N维扩散过程“涡量-能量”定律的无粘极限，借助相关界推导出定量无粘凝聚界。

Comments 37 pages, 1 figure, typos corrected, redactional improvement of abstract and introduction

Diffusion Models in Simulation-Based Inference: A Tutorial Review

基于模拟推理的扩散模型：教程综述

Jonas Arruda, Niels Bracher, Ullrich Köthe, Jan Hasenauer, Stefan T. Radev

机构 * Bonn Center for Mathematical Life Sciences, Life & Medical Sciences Institute, University of Bonn, Germany（波恩数学生命科学中心、生命与医学科学研究所、波恩大学，德国） ； Center for Modeling, Simulation, & Imaging in Medicine (CeMSIM) Rensselaer Polytechnic Institute, NY, USA（医学建模、仿真与成像中心（CeMSIM）雷士利理工学院，纽约，美国） ； Computer Vision and Learning Lab, Heidelberg University, Germany（计算机视觉与学习实验室，海德堡大学，德国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 综述基于模拟推理的扩散模型进展，介绍其能快速准确估计潜在参数，阐述涵盖训练等方面的设计选择、相关概念带来的机遇及噪声调度等的影响，通过案例研究说明并指出未来研究问题。

Spectral Diffusion Models on the Sphere

球面上的谱扩散模型

Francesco Mari, Pierpaolo Brutti, Claudio Durastanti

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究将谱扩散方法扩展到球面数据的问题，开发在球谐表示上的扩散建模框架，通过球面离散傅里叶变换建立相关随机微分方程，揭示空间和谱得分匹配目标不等价及两者定量关系，推导扩散方程并刻画噪声协方差。

Comments 27 pages, 1 figure

The diffusion equation is compatible with special relativity

扩散方程与狭义相对论兼容

Lorenzo Gavassino

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究扩散方程与狭义相对论的兼容性问题，通过证明扩散方程特定解是相对论性弗拉索夫 - 福克 - 普朗克方程精确解的粒子密度，确立了因果、稳定且热力学一致的相对论动力学理论，解决了传统观点中扩散方程与狭义相对论不兼容的问题。

Comments 6 pages, 0 figures, published in PRL (see https://journals.aps.org/prl/abstract/10.1103/rkz9-xps2)

Journal ref Phys. Rev. Lett. 137, 022302 (8 July, 2026)

Probing the Quantum Nature of Gravity through Classical Diffusion

通过经典扩散探究引力的量子本质

Oliviero Angeli, Sandro Donadi, Giovanni Di Bartolomeo, José Luis Gaona-Reyes, Andrea Vinante, Angelo Bassi

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究引力是否本质为量子这一问题，提出无需量子态工程的替代策略，通过考虑引力作用下物体的线性化主方程建立噪声下限，基于高精度扭摆给出实验方案，为测试引力本质提供新途径，降低实验复杂性。

Comments Fully revised manuscript with a mathematical formalization of the main argument

Reaction-Diffusion Processes with Surface Autocatalysis

表面上的诞生、死亡与复制：自催化动力学的普适定律

Denis S. Grebenkov

专题命中 扩散模型 ：diffusion(title)

AI总结 本文提出一个通用理论框架，通过非线性积分方程和Fokker-Planck方程描述表面介导的自催化过程，揭示损失与复制竞争导致的种群动态、普适标度律及灭绝或爆发条件。

Bifidelity Parameter Estimation Using Conditional Diffusion Models

使用条件扩散模型的双保真参数估计

Caroline Tatsuoka, Minglei Yang, Dongbin Xiu, Guannan Zhang

机构 * UT-Battelle, LLC（UT-巴特勒公司） ； US Department of Energy（美国能源部） ； The Ohio State University（俄亥俄州立大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； Oak Ridge（橡树岭） ； Computer Science and Mathematics Division（计算机科学与数学 division） 纠错

专题命中 扩散模型 ：diffusion(title)

AI总结 针对复杂系统参数估计不确定性量化，提出双保真方法。先构建低保真条件生成模型，特定情况时用其细化采样空间，再训练高保真无条件生成模型，经数值示例和实际应用验证了方法的有效性。

ECHO: Ego-Centric modeling of Human-Object interactions

ECHO：人类-物体交互的以自我为中心建模

Ilya A. Petrov, Vladimir Guzov, Riccardo Marin, Emre Aksan, Xu Chen, Daniel Cremers, Thabo Beeler, Gerard Pons-Moll

专题命中 扩散模型 ：diffusion(abstract)；inpainting(abstract)；分类 cs.CV

AI总结 ECHO首次提出统一框架，通过头和手腕追踪联合恢复人体姿态、物体运动和接触动力学，解决稀疏信号下的人类-物体交互建模难题。

Comments Accepted at ECCV'26

L-GTA: Latent Generative Modeling for Time Series Augmentation

L-GTA：用于时间序列增强的潜在生成建模

Luis Roque, Vitor Cerqueira, Carlos Soares, Luis Torgo

机构 * Faculdade de Engenharia da Universidade do Porto（葡萄牙波尔图大学工程学院） ； Fraunhofer Portugal AICOS（德国弗劳恩霍夫葡萄牙AICOS研究所） ； University of Coimbra（科英布拉大学） ； Dalhousie University（达尔豪斯大学） 纠错

专题命中 扩散模型 ：diffusion(abstract,abstract_cn)

AI总结 研究针对时间序列分析中的数据增强问题，提出基于变分自编码器、双向LSTM和时间自注意力的L-GTA模型，通过定义等变性目标学习潜在表示并应用可控扰动，实验表明该模型在多方面优于其他方法，能有效降低预测误差。

Journal ref ECML PKDD 2026 Research Track, Naples, Italy, September 7-11, 2026

X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling

X-Foresight：一种通过预测世界建模的联合视觉-动作因果预测网络

Baolu Li, Jingyu Qian, Rui Guo, Yilun Chen, Hanpeng Liu, Yuan Lin, Junhong Zhou, Ruixin Liu, Liu Yang, Yutong Zheng, Zhenli Zhang, Sean Li, Chaoda Zheng, Boyang Wang, Tenglong, Gu, Zhuangzhuang Ding, Pengkun Zheng, Yu Zhang, Xianming Liu

机构 * PWM Team（PWM团队） ； XPeng Inc.（XPeng公司） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 提出X-Foresight，一种将预测世界模型直接集成到VLA架构中的方法，通过长程分块自回归策略和课程学习，联合学习世界建模与实时动作控制，以解决视频预测中的低熵冗余和长程因果建模难题。

Geometry-Aware Single-Image 4D Synthesis via Dense Trajectory Generation

通过密集轨迹生成实现几何感知单图像4D合成

Yanran Zhang, Ziyi Wang, Wenzhao Zheng, Zheng Zhu, Jie Zhou, Jiwen Lu

机构 * Department of Automation, Tsinghua University（自动化系，清华大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对单图像4D合成挑战，提出MoGe4D框架，通过密集轨迹生成实现几何感知合成。引入数据集，构建4D-STraG及4D-ViSM。实验证明该方法能生成高质量4D场景，具强时空连贯性和几何感知一致性。

Comments Accepted to ECCV 2026

ML-based approach to classification and generation of structured light propagation in turbulent media

基于机器学习的湍流介质中结构光传播分类与生成方法

Aokun Wang, Anjali Nair, Zhongjian Wang, Guillaume Bal

机构 * Division of Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学系） ； Committee on Computational and Applied Mathematics, University of Chicago（芝加哥大学计算与应用数学委员会） ； Departments of Statistics and Mathematics, University of Chicago（芝加哥大学统计学与数学系） 纠错

专题命中 扩散模型 ：diffusion(abstract)

AI总结 本文提出基于机器学习的结构光在湍流中传播的分类与生成方法，利用随机斑点扰动建模传播过程，并通过生成扩散模型增强数据集。

Journal ref Journal of the Optical Society of America A (2026)

A unifying approach to diffusive transport in annealed heterogeneous media

对异质介质中扩散传输的一种统一方法

Yann Lanoiselée, Denis S. Grebenkov, Gianni Pagnini

专题命中 扩散模型 ：diffusion(abstract)

AI总结 本文提出随机调制高斯过程作为统一框架，用于建模和分析异质介质中异常扩散模型，涵盖连续时间随机游走和分数布朗运动等模型，并提供实验验证的统计特性。

Comments 29 pages, 2 figures

Inverse $t$-source problem and a strict positivity property for coupled subdiffusion systems

逆 $t$-源问题及耦合亚扩散系统的严格正性性质

Mohamed BenSalah, Yikan Liu

专题命中 扩散模型 ：diffusion(abstract)

AI总结 本文研究了耦合亚扩散系统中通过单点观测确定时间源的反问题，提出了一种迭代正则化集合卡尔曼方法，证明了严格正性及唯一性，并展示了方法的鲁棒性和可扩展性。

Comments 33 pages, 9 pages

Exact determinant formulas for coalescing particle systems

共聚粒子系统的精确行列式公式

Piotr Śniady, Ákos Urbán

专题命中 扩散模型 ：diffusion(abstract)

AI总结 本文提出通过引入幽灵粒子的方法，解决共聚粒子系统的精确行列式计算问题，适用于多种扩散模型。

Comments 56 pages, 16 figures. v3: Ákos Urbán added as author; substantially revised (intrinsic tournament definition of the sign, rewritten performance-casting bijection, explicit construction of the finite coalescing system); discrete results formalized in Lean 4, archived with a Python reference implementation and an extended version at https://doi.org/10.5281/zenodo.21037519

Parametric and Generative Forecasts of EPEX Day\char45 Ahead Energy Market Curves

EPEX日前能源市场曲线的参数化和生成式预测

Julian Gutierrez, Redouane Silvente

机构 * New York University Abu Dhabi（纽约大学阿布扎克分校） ； CREST, ENSAE, Institut Polytechnique de Paris（CREST、ENSAE、巴黎理工学院） 纠错

专题命中 扩散模型 ：diffusion(abstract)

AI总结 研究EPEX日前能源市场曲线预测，提出参数化和生成式两种方法，参数方法用极端梯度提升，生成方法用条件去噪扩散概率模型，通过曲线重建和存储优化问题评估，生成式方法在存储应用中有更好表现。

Comments 40 pages, 30 figures

The quasi-normal modes of relativistic Fokker-Planck kinetic theory

相对论性福克 - 普朗克动力学理论的准正则模

Lorenzo Gavassino

专题命中 扩散模型 ：diffusion(abstract)

AI总结 研究利用福克 - 普朗克算子与薛定谔哈密顿量的酉等价性计算超相对论动力学理论的准正则模谱，分析碰撞算子在不同维度的简化形式及有限空间波数影响，揭示流体动力学模式和非流体动力学扇区的特性。

Comments 12 pages, 3 figures, publised in PRD (see https://journals.aps.org/prd/abstract/10.1103/6vfx-8kmm)

Journal ref Phys. Rev. D 114, 014018 (8 July, 2026)

Self gravity decoheres quantum systems

自引力使量子系统退相干

Alessio Lapponi, Stefano Mancini, Frank K. Wilhelm, David Edward Bruschi

专题命中 扩散模型 ：diffusion(abstract)

AI总结 研究自引力对含量子相干大质量静态粒子量子态的影响，用线性化量子引力获粒子自相互作用动力学，发现其状态有效演化可视为特定量子通道，明确质量与大小关系，解释了不同系统量子与经典行为观测差异。

Comments 5 pages and 26 pages of supplementary material. 10 figures

Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline

统一去除雨滴和反射：一个新的基准和一个新流程

Xingyu Liu, Zewei He, Yu Chen, Chunyu Zhu, Zixuan Chen, Xing Luo, Zhe-Ming Lu

机构 * School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院） ； Huanjiang Laboratory（浣江实验室） ； Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州研究院） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出统一去除雨滴和反射的任务，并构建了新的基准数据集，同时提出基于扩散的新型框架DiffUR³，有效去除两种退化，实验表明在基准和真实场景中表现优异。

Comments Accepted by ECCV 2026

Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows

Allo{SR}$^2$: 通过全形生成流纠正一步超分辨率以保持真实

Zihan Wang, Xudong Huang, Junbo Qiao, Wei Li, Jie Hu, Xinghao Chen, Shaohui Lin

机构 * East China Normal University Huawei Noah's Ark Lab（华东师范大学华为诺亚实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出Allo{SR}$^2$，通过全形生成流纠正一步超分辨率轨迹，以维持高保真生成现实。方法利用SNR引导轨迹初始化和FATC确保稳定路径，同时通过ATM策略减少分布差异，实验证明其在真实世界超分辨率中表现优异。

Comments Accepted to ECCV 2026

When Distillation Breaks Motion Control: Restoring Generative Trajectories for Fast Video Generators

当蒸馏破坏运动控制时：恢复快速视频生成器的生成轨迹

Jintao Rong, Xin Xie, Xinyi Yu, Linlin Ou, Xinyu Zhang, Chunhua Shen, Dong Gong

机构 * Zhejiang University of Technology（浙江工业大学） ； University of New South Wales (UNSW Sydney)（新南威尔士大学（悉尼）） ； University of Auckland（奥克兰大学） ； Zhejiang University（浙江大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV

AI总结 研究免训练运动定制应用于蒸馏视频生成器的问题，提出MotionEcho框架，通过推理时用高质量扩散教师模型校正学生模型采样轨迹，实现准确运动控制，提升运动保真度和视觉质量，且保留蒸馏生成效率优势。

Comments Project page: https://euminds.github.io/motionecho/

Scaling Quantum Machine Learning without Tricks: Full-Resolution and Diverse Image Generation

无技巧扩展量子机器学习：全分辨率与多样图像生成

Jonas Jäger, Florian J. Kiwit, Carlos A. Riofrío

机构 * BMW Group, Munich, Germany（宝马集团，慕尼黑，德国） ； Department of Computer Science and Institute of Applied Mathematics, University of British Columbia (UBC), Vancouver, Canada（计算机科学系和应用数学研究所，不列颠哥伦比亚大学（UBC），温哥华，加拿大） ； Stewart Blusson Quantum Matter Institute (QMI), Vancouver, Canada（斯图尔特·布卢森量子物质研究所（QMI），温哥华，加拿大） ； Ludwig Maximilian University, Munich, Germany（路德维希-马克西米利安大学，慕尼黑，德国） 纠错

专题命中 其他图像生成 ：image generation(title,abstract)；分类 cs.CV

AI总结 研究如何在量子机器学习中无技巧地扩展，通过在经典MNIST和Fashion - MNIST数据集上训练量子瓦瑟斯坦GAN，实现全分辨率图像生成，还能扩展到彩色图像，分析了变分电路架构等因素对性能的影响，在多种条件下取得有前景成果。

Comments 29 pages, 17 figures, 3 tables. Main text: 17 pages, 10 figures. Appendix: 11 pages, 7 figures, 3 tables

Journal ref Quantum Sci. Technol. 11(3), 035042, (2026)

FMMC: Harnessing the Power of Foundation Models for Accurate Material Classification

利用基础模型提升材料分类的准确性

Qingran Lin, Fengwei Yang, Chaolun Zhu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； Waseda University（早稻田大学） 纠错

专题命中 其他图像生成 ：image generation(abstract)；分类 cs.CV

AI总结 本文提出一种利用基础模型克服数据限制并提升分类准确性的新框架，通过生成高质量数据集和融合视觉语言模型先验知识，有效提高材料分类性能。

Predicting integers from continuous parameters

从连续参数预测整数

Bas Maat, Peter Bloem

机构 * Learning & Reasoning Group Vrije Universiteit Amsterdam（阿姆斯特丹自由大学学习与推理组） 纠错

专题命中 其他图像生成 ：image generation(abstract)

AI总结 本文研究了从连续参数预测整数标签的问题，探讨了离散分布在整数预测中的应用，并测试了多种分布模型在不同任务中的性能。